CN109886421B - 基于集成学习的群智能采煤机切割模式识别系统 - Google Patents

基于集成学习的群智能采煤机切割模式识别系统 Download PDF

Info

Publication number
CN109886421B
CN109886421B CN201910015762.1A CN201910015762A CN109886421B CN 109886421 B CN109886421 B CN 109886421B CN 201910015762 A CN201910015762 A CN 201910015762A CN 109886421 B CN109886421 B CN 109886421B
Authority
CN
China
Prior art keywords
coal mining
mining machine
cutting
module
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910015762.1A
Other languages
English (en)
Other versions
CN109886421A (zh
Inventor
徐志鹏
古有志
刘兴高
张泽银
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201910015762.1A priority Critical patent/CN109886421B/zh
Publication of CN109886421A publication Critical patent/CN109886421A/zh
Application granted granted Critical
Publication of CN109886421B publication Critical patent/CN109886421B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于集成学习的群智能采煤机切割模式识别系统，用以对采煤机的切割模型进行识别，包括数据预处理模块、采煤机切割模式识别极限梯度提升(eXtreme Gradient Boosting，XGBoost)模型建模模块、群智能寻优模块以及采煤机切割未知信号识别模块。本发明能够准确识别采煤机切割模式，采用集成学习算法建立采煤机切割模式识别模型，通过为建模过程添加群智能寻优过程，避免了参数人为选择的随机性导致的模型准确度和置信度下降的问题。

Description

基于集成学习的群智能采煤机切割模式识别系统
技术领域
本发明涉及信号处理领域、群智能优化领域和集成学习领域，尤其涉及一种结合集成学习和群智能优化算法的采煤机切割模式识别系统。
背景技术
我国正全力发展经济，对能源的需求日益增长。煤炭占据了一次能源消耗量70％左右，是国家经济的重要支柱之一。大力提高采煤过程的自动化，机械化和信息化水平，减少井下工作人员的数量是采煤行业的发展方向和趋势。采煤机作为采煤工作面的关键设备，在煤炭生产过程中具有重要意义。解决采煤机的切割模式识别问题，是提高自动化程度的前提。
切割模式识别是指识别采煤机是否正在切割煤或岩石。切割模式识别一直是国内外的研究热点。已经出现的多种切割模式识别方法包括雷达探测法、图像分析法、γ射线探测法等。上述方法都存在一些共同的缺点。一方面，识别率受地质条件的影响，使检测设备的成本大大提高。另一方面，上述方法设备的安装过于复杂，并需要特定的地质条件，导致系统难以维护。以上问题导致传统的方法识别精度低，鲁棒性差，无法投入实际生产使用。
发明内容
为了克服上述现有技术的不足，本发明的目的在于提供一种识别精度高、鲁棒性强的基于集成学习的采煤机切割模式识别系统。由于切割模式与切割负荷之间存在相关关系，受到电机运行状态的影响。因此，本发明根据电机运行数据与切割模式之间关系建立模型来识别采煤机切割模式。不仅无需安装额外的传感器或修改采煤机的机械部件，而且可用于恶劣的工作条件与特定的地质条件。本发明易于操作，适用范围广，识别精度高，鲁棒性强，保障井下安全作业。
本发明解决其技术问题所采用的技术方案是：基于集成学习的群智能采煤机切割模式识别系统，包括数据预处理模块、采煤机切割模式识别极限梯度提升(eXtremeGradient Boosting，XGBoost)模型建模模块、群智能寻优模块以及采煤机未知切割模式识别模块。数据采集传感器、数据库、基于集成学习的群智能采煤机切割模式识别系统以及结果显示模块依次相连，所述数据采集传感器对采煤机切割时的速度、电流、电压等工作参数进行采集，部分数据可以对切割模式进行人工标注作为标签，并将数据储存到所述的数据库中。数据库中带切割模式标签的历史采煤机截割工作参数数据为基于集成学习的群智能采煤机切割模式识别系统提供数据支持。基于集成学习的群智能采煤机切割模式识别系统识别得到的结果将通过结果显示模块输出显示。
进一步地数据预处理模块用以进行采煤机切割数据预处理，采用如下过程完成：
(1)从数据库中采集1个采煤机切割信号，其特征分别为xi，i＝1，2，...d，d为特征维度；
(2)对样本特征进行归一化处理，得到归一化特征值
Figure BDA0001938990660000023
Figure BDA0001938990660000021
进一步地，采煤机切割模式识别XGBoost模型建模模块用以建立采煤机切割XGBoost识别模型，采用如下过程完成：
(1)从数据库中采集Ns个采煤机切割信号Xs及其所对应的采煤机切割工作模式标签Ys作为训练集，采集Nv个采煤机切割信号Xv及其所对应的采煤机切割工作模式标签Yv作为测试集；
(2)采用训练集进行监督训练，得到基于XGBoost的采煤机切割模式识别模型：
Y＝f(X)。 (2)
进一步地，群智能寻优模块用以对XGBoost的重要参数：学习率learning_rate，最大树深度max_depth，最小叶子节点样本权重和min_child_weight，节点分裂所需的最小损失函数下降值gamma等的优化。采用如下过程完成：
(1)对于重要基础参数学习率和最大树深度采用网格搜索方法：
learning_rate＝0.05～0.3，stride＝0.05；
max_depth＝2～7，stride＝1。
即在其他非基础参数寻优之前固定学习率和最大树深度为搜索网格中的一个点上的值，在此基础上进行其他非基础参数的寻优，其中stride为网格搜索步长。
(2)对于最小叶子节点样本权重min_child_weight、节点分裂所需的最小损失函数下降值gamma等非基础参数采用自适应粒子群算法进行寻优。
(2.1)随机产生初始粒子群速度和位置；
(2.2)计算种群多样性指数D(t)：
Figure BDA0001938990660000022
其中，Gbest(t)是整个粒子群在第t次迭代时到达过的全局最优解，表示F(Gbest(t))表示对应的适应度值，m是粒子群规模，ri(t)是第i个粒子在第t次迭代时的位置，F(ri(t))表示ri(t)对应的适应度值；
(2.3)更新粒子群学习速率参数μ(t)：
Figure BDA0001938990660000031
(2.4)更新粒子的速度和位置，产生新的群体；
Figure BDA0001938990660000032
其中，α1是个体加速度参数，α2是全局加速度参数，
Figure BDA0001938990660000033
和
Figure BDA0001938990660000034
是0-1之间的随机数，t为迭代次数，m为粒子群规模；vik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度，vik(t)是第i个粒子的第k个分量在第t次迭代的速度，rik(t+1)是第i个粒子的第k个分量在第t+1次迭代的位置，rik(t)是第i个粒子的第k个分量在第t次迭代的位置，Lbestik是第i个粒子的第k个分量到达过的最优解，Gbestk是第k个分量的全局最优解，R是待寻优的参数个数，k＝1，2分别对应于最小叶子节点样本权重min_child_weight与节点分裂所需的最小损失函数下降值gamma；
(2.5)判断是否符合算法终止条件，若符合，输出全局最优粒子及其代表的最优解，并结束迭代；否则返回第(2.2)步继续迭代；
其中，粒子群规模为50-100，个体加速度参数为0.5，全局加速度参数为0.35，个体适应度选择错误率的相反数，终止条件为连续五次迭代全局最优解不变。
(3)重复步骤(1)和步骤(2)，将优化好的模型在验证集上进行测试，选取训练集验证集上正确率率最高的模型作为最优模型。
进一步地，采煤机未知切割模式识别模块，利用训练好最优XGBoost采煤机切割模式识别模型的对新采集的采煤机未知切割信号进行识别。采用如下过程完成：
(1)对新采集到的采煤机未知切割信号Xt进行预处理：
Figure BDA0001938990660000035
(2)利用自适应寻优模块优化后的XGBoost最优识别模型对采煤机未知切割进行识别：
Figure BDA0001938990660000036
其中，fopt为优化后的最优模型，
Figure BDA0001938990660000037
为预测的未知采煤机切割类别。
进一步地，采煤机未知切割模式识别模块获得的切割模式识别结果通过结果显示模块输出显示。
本发明的技术构思为：本发明对采煤机切割数据进行预处理，并利用Xgboost算法对预处理后的数据进行非线性拟合，引入参数自适应方法，从而建立基于集成学习的群智能采煤机切割模式识别系统及方法。
本发明的有益效果主要表现在：1、引入快速鲁棒的集成学习算法，可以准确地在线预测采煤机未知切割信号工作模式，可用于恶劣环境下，适用范围广；2、引入群智能优化算法实现参数自适应、寻优效果好，解决了人为设定参数的随机性造成的准确度和置信度下降的问题，识别精度高；3、无需安装冗余传感器，易于操作，保障井下安全作业；
附图说明
图1基于集成学习的群智能采煤机切割模式识别系统的基本硬件结构图；
图2基于集成学习的群智能采煤机切割模式识别系统的功能模块图；
图3是群智能优化算法流程图；
具体实施方式
下面根据附图具体说明本发明。
参照图1、图2、图3所示，基于集成学习的群智能采煤机切割模式识别系统，包括数据预处理模块5、采煤机切割模式识别极限梯度提升(eXtreme Gradient Boosting，XGBoost)模型建模模块6、群智能寻优模块7以及采煤机未知切割模式识别模块8。数据采集传感器1、数据库2、基于集成学习的群智能采煤机切割模式识别系统3以及结果显示模块4依次相连，所述数据采集传感器1对采煤机切割时的速度、电流、电压等工作参数进行采集，部分数据可以进行人工标注作为标签，并将数据储存到所述的数据库2中。数据库2中带切割模式标签的历史采煤机截割工作参数数据为基于集成学习的群智能采煤机切割模式识别系统3提供数据支持。基于集成学习的群智能采煤机切割模式识别系统3识别得到的结果将通过结果显示模块4输出显示。
进一步地数据预处理模块5用以进行采煤机切割数据预处理，采用如下过程完成：
(1)从数据库2中采集1个采煤机切割信号，其特征分别为xi，i＝1，2，...d，d为特征维度；
(2)对样本特征进行归一化处理，得到归一化特征值
Figure BDA0001938990660000042
Figure BDA0001938990660000041
进一步地，采煤机切割模式识别XGBoost模型建模模块6用以建立采煤机切割XGBoost识别模型，采用如下过程完成：
(1)从数据库2中采集Ns个采煤机切割信号Xs及其所对应的采煤机切割工作模式标签Ys作为训练集，采集Nv个采煤机切割信号Xv及其所对应的采煤机切割工作模式标签Yv作为测试集；
(2)采用训练集进行监督训练，得到基于XGBoost的采煤机切割模式识别模型：
Y＝f(X)。 (2)
进一步地，群智能寻优模块7用以对XGBoost的重要参数：学习率learning_rate，最大树深度max_depth，最小叶子节点样本权重和min_child_weight，节点分裂所需的最小损失函数下降值gamma等的优化。采用如下过程完成：
(1)对于重要基础参数学习率和最大树深度采用网格搜索方法：
learning_rate＝0.05～0.3，stride＝0.05：
max_depth＝2～7，stride＝1。
即在其他非基础参数寻优之前固定学习率和最大树深度为搜索网格中的一个点上的值，在此基础上进行其他非基础参数的寻优，其中stride为网格搜索步长。
(2)对于最小叶子节点样本权重min_child_weight、节点分裂所需的最小损失函数下降值gamma等非基础参数采用自适应粒子群算法进行寻优。参照图3所示。
(2.1)随机产生初始粒子群速度和位置；
(2.2)计算种群多样性指数D(t)：
Figure BDA0001938990660000051
其中，Gbest(t)是整个粒子群在第t次迭代时到达过的全局最优解，表示F(Gbest(t))表示对应的适应度值，m是粒子群规模，ri(t)是第i个粒子在第t次迭代时的位置，F(ri(t))表示ri(t)对应的适应度值；
(2.3)更新粒子群学习速率参数μ(t)：
Figure BDA0001938990660000052
(2.4)更新粒子的速度和位置，产生新的群体；
Figure BDA0001938990660000053
其中，α1是个体加速度参数，α2是全局加速度参数，
Figure BDA0001938990660000054
和
Figure BDA0001938990660000055
是0-1之间的随机数，t为迭代次数，m为粒子群规模；vik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度，vik(t)是第i个粒子的第k个分量在第t次迭代的速度，rtk(t+1)是第i个粒子的第k个分量在第t+1次迭代的位置，rik(t)是第i个粒子的第k个分量在第t次迭代的位置，Lbestik是第i个粒子的第k个分量到达过的最优解，Gbestk是第k个分量的全局最优解，R是待寻优的参数个数，k＝1，2分别对应于最小叶子节点样本权重min_child_weight与节点分裂所需的最小损失函数下降值gamma；
(2.5)判断是否符合算法终止条件，若符合，输出全局最优粒子及其代表的最优解，并结束迭代；否则返回第(2.2)步继续迭代；
其中，粒子群规模为50-100，个体加速度参数为0.5，全局加速度参数为0.35，个体适应度选择错误率的相反数，终止条件为连续五次迭代全局最优解不变。
(3)重复步骤(1)和步骤(2)，将优化好的模型在验证集上进行测试，选取训练集验证集上正确率率最高的模型作为最优模型。
进一步地，采煤机未知切割模式识别模块8，利用训练好最优XGBoost采煤机切割模式识别模型的对新采集的采煤机未知切割信号进行识别。采用如下过程完成：
(1)对新采集到的采煤机未知切割信号Xi进行预处理：
Figure BDA0001938990660000061
(2)利用自适应寻优模块优化后的XGBoost最优识别模型对采煤机未知切割进行识别：
Figure BDA0001938990660000062
其中，fopt为优化后的最优模型，
Figure BDA0001938990660000063
为预测的未知采煤机切割类别。
进一步地，采煤机未知切割模式识别模块8获得的切割模式识别结果通过结果显示模块4输出显示。
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (1)

1.基于集成学习的群智能采煤机切割模式识别系统，其特征在于：包括数据预处理模块、采煤机切割模式识别极限梯度提升模型建模模块、群智能寻优模块以及采煤机未知切割模式识别模块；
所述数据预处理模块用以进行采煤机切割数据预处理，采用如下过程完成：
(1.1)从数据库中采集1个采煤机切割信号，其特征分别为xj，j＝1,2,…d，d为特征维度；
(1.2)对样本特征进行归一化处理，得到归一化特征值
Figure FDA0003086364700000011
Figure FDA0003086364700000012
所述采煤机切割模式识别极限梯度提升模型建模模块用以建立采煤机切割XGBoost识别模型，采用如下过程完成：
(2.1)从数据库中采集Ns个采煤机切割信号Xs及其所对应的采煤机切割工作模式标签Ys作为训练集,采集Nv个采煤机切割信号Xv及其所对应的采煤机切割工作模式标签Yv作为测试集；
(2.2)采用训练集进行监督训练，得到基于XGBoost的采煤机切割模式识别模型：
Ys＝f(Xs)； (2)
所述群智能寻优模块用以对XGBoost的重要参数：学习率learning_rate、最大树深度max_depth、最小叶子节点样本权重min_child_weight、节点分裂所需的最小损失函数下降值gamma进行优化；采用如下过程完成：
(3.1)对于重要基础参数学习率和最大树深度采用网格搜索方法：
learning_rate＝0.05～0.3,stride＝0.05；
max_depth＝2～7,stride＝1；
即先固定学习率learning_rate和最大树深度为搜索网格中的一个点上的值，在此基础上进行最小叶子节点样本权重min_child_weight和节点分裂所需的最小损失函数下降值gamma的寻优，其中stride为网格搜索步长；
(3.2)对于最小叶子节点样本权重min_child_weight、节点分裂所需的最小损失函数下降值gamma采用自适应粒子群算法进行寻优；
(3.2.1)随机产生初始粒子群速度和位置；
(3.2.2)计算种群多样性指数D(t)：
Figure FDA0003086364700000021
其中，Gbest(t)是整个粒子群在第t次迭代时到达过的全局最优解，F(Gbest(t))表示对应的适应度值，m是粒子群规模，ri(t)是第i个粒子在第t次迭代时的位置，F(ri(t))表示ri(t)对应的适应度值；
(3.2.3)更新粒子群学习速率参数μ(t)：
Figure FDA0003086364700000022
(3.2.4)更新粒子的速度和位置，产生新的群体；
Figure FDA0003086364700000023
其中，α1是个体加速度参数，α2是全局加速度参数，
Figure FDA0003086364700000026
和
Figure FDA0003086364700000027
是0-1之间的随机数，t为迭代次数，m为粒子群规模；vik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度，vik(t)是第i个粒子的第k个分量在第t次迭代的速度，rik(t+1)是第i个粒子的第k个分量在第t+1次迭代的位置，rik(t)是第i个粒子的第k个分量在第t次迭代的位置，Lbestik是第i个粒子的第k个分量到达过的最优解，Gbestk是第k个分量的全局最优解，R是待寻优的参数个数，k＝1,2分别对应于最小叶子节点样本权重min_child_weight与节点分裂所需的最小损失函数下降值gamma；
(3.2.5)判断是否符合算法终止条件，若符合，输出全局最优粒子及其代表的最优解，并结束迭代；否则返回第(3.2.2)步继续迭代；
其中，粒子群规模为50－100，个体加速度参数为0.5，全局加速度参数为0.35，个体适应度选择错误率的相反数，终止条件为连续五次迭代全局最优解不变；
(3.3)重复步骤(3.1)和步骤(3.2)，将优化好的模型在验证集上进行测试，选取验证集上正确率最高的模型作为最优XGBoost采煤机切割模式识别模型；
所述采煤机未知切割模式识别模块，利用训练好的最优XGBoost采煤机切割模式识别模型对新采集的采煤机未知切割信号进行识别；采用如下过程完成：
(4.1)对新采集到的采煤机未知切割信号Xt进行预处理：
Figure FDA0003086364700000024
(4.2)利用群智能寻优模块优化后的最优XGBoost采煤机切割模式识别模型对采煤机未知切割进行识别：
Figure FDA0003086364700000025
其中，fopt为优化后的最优模型，
Figure FDA0003086364700000031
为预测的未知采煤机切割类别。
CN201910015762.1A 2019-01-08 2019-01-08 基于集成学习的群智能采煤机切割模式识别系统 Active CN109886421B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910015762.1A CN109886421B (zh) 2019-01-08 2019-01-08 基于集成学习的群智能采煤机切割模式识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910015762.1A CN109886421B (zh) 2019-01-08 2019-01-08 基于集成学习的群智能采煤机切割模式识别系统

Publications (2)

Publication Number Publication Date
CN109886421A CN109886421A (zh) 2019-06-14
CN109886421B true CN109886421B (zh) 2021-09-21

Family

ID=66925780

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910015762.1A Active CN109886421B (zh) 2019-01-08 2019-01-08 基于集成学习的群智能采煤机切割模式识别系统

Country Status (1)

Country Link
CN (1) CN109886421B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110988803A (zh) * 2019-11-11 2020-04-10 浙江大学 一种高置信度动态调整的雷达辐射源个体识别系统
CN113469034A (zh) * 2021-06-30 2021-10-01 鄂尔多斯应用技术学院 一种采煤机煤岩切割状态的融合识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102183752A (zh) * 2011-03-03 2011-09-14 浙江大学 一种自适应雷达海杂波预报系统及方法
CN102496004A (zh) * 2011-11-24 2012-06-13 中国矿业大学(北京) 一种基于图像的煤岩界面识别方法与系统
CN106198000A (zh) * 2016-07-11 2016-12-07 太原理工大学 一种采煤机摇臂齿轮故障诊断方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108458989B (zh) * 2018-04-28 2020-10-09 江苏建筑职业技术学院 一种基于太赫兹多参数谱的煤岩识别方法
CN108694502B (zh) * 2018-05-10 2022-04-12 清华大学 一种基于XGBoost算法的机器人制造单元自适应调度方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102183752A (zh) * 2011-03-03 2011-09-14 浙江大学 一种自适应雷达海杂波预报系统及方法
CN102496004A (zh) * 2011-11-24 2012-06-13 中国矿业大学(北京) 一种基于图像的煤岩界面识别方法与系统
CN106198000A (zh) * 2016-07-11 2016-12-07 太原理工大学 一种采煤机摇臂齿轮故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
智能化调参的XGBOOST算法及其在电信营销中的应用;成晨 等;《邮电设计技术》;20181031(第10期);第20-24页 *
采煤机摇臂振动信号分析及其截割模式识别方法研究;刘泽;《中国优秀硕士学位论文全文数据库工程科技I辑》;20180315(第03期);第B021-207页 *

Also Published As

Publication number Publication date
CN109886421A (zh) 2019-06-14

Similar Documents

Publication Publication Date Title
CN112529341B (zh) 一种基于朴素贝叶斯算法的钻井漏失机率预测方法
WO2021147554A1 (zh) 基于长石特征的隧洞内碎屑岩抗风化能力判别系统与方法
CN106572493A (zh) Lte网络中的异常值检测方法及系统
CN108952699B (zh) 一种复杂地质钻进过程地层岩性智能识别方法
CN111222683B (zh) 一种基于pca-knn的tbm施工围岩综合分级预测方法
CN112712025A (zh) 一种基于长短期记忆神经网络的复杂岩性识别方法
CN109886421B (zh) 基于集成学习的群智能采煤机切割模式识别系统
CN113779880B (zh) 一种基于超前钻探数据的隧道围岩二维质量评价方法
CN111767674B (zh) 一种基于主动域适应的测井岩性识别方法
US20230162052A1 (en) Graph neural network (gnn)-based prediction system for total organic carbon (toc) in shale
CN109857782A (zh) 一种测井数据采集处理系统
Qin et al. Evaluation of goaf stability based on transfer learning theory of artificial intelligence
CN113326661B (zh) 一种基于RS-XGBoost的隧道超前钻探定量解译方法及设备
CN113156492B (zh) 一种应用于tbm隧道岩爆灾害实时智能预警方法
Li et al. Waveform recognition and process interpretation of microseismic monitoring based on an improved LeNet5 convolutional neural network
CN116012275A (zh) 一种随钻电成像数据井下实时处理装置及方法
CN111626377B (zh) 一种岩相识别方法、装置、设备及存储介质
CN115046516A (zh) 基于单滑面r型深孔测斜曲线的滑动面位置精准确定方法
CN109886420B (zh) 一种自适应的采煤机截割高度智能预测系统
CN109871864B (zh) 强鲁棒改进群智能优化的采煤机切割模式识别系统
CN109826626B (zh) 一种智能的采煤机切割模式识别系统
CN113657520A (zh) 一种基于深度置信网络和长短时记忆网络的入侵检测方法
CN110674868A (zh) 一种基于高维钻进参数信息的地层岩性识别系统及其方法
CN110807399A (zh) 一种基于单一类别支持向量机的崩滑隐患点检测方法
Zhu et al. Quality assessment of microseismic P-phase arrival picks and its application of source location in coal mining

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant